摘要
·基本面研究的本质是对企业未来增长的分析，结合既有文献的方法，本文构造了一个综合的基本面指标，对企业未来的盈利能力进行预测。
·基于基本面的盈利预测因子对于A股是一个不错的选股指标，在一定程度上表明基本面投资在A股市场中是有效的。
·基本面盈利预测因子和市场上已有的预测指标之间，比如分析师的一致预测数据，并不存在很高的相关性，这对投资者进行预测分析，提供了另外一个角度。
·从行业的角度，基本面盈利预测因子更适合进行新兴产业的研究。
一、前言
金融市场的不确定性，使得金融资产的估值存在几乎无限的假设条件和参数设计。如何评估各类变量对资产价格变动的影响，也一直是金融学界和业界工作的重点。粗略对这些工作的方向进行划分，可以发现一部分研究试图通过挖掘数据本身的规律性对未来收益做出预测，另一部分则试图从传统基本面财务分析的角度出发，提取投资决策的辅助信息。
两类做法并无高下之分，近年来随着金融科技的进步，两种方法也有了很多交叉之处，实际上两者都是基于历史的数据对未来进行估计，方法的根本逻辑都是相似的。比如基本面投资的关键在于寻找以合适的价格买入具备持续创造价值能力的企业，此时使用更高效的数据清洗和分析方法，可以更好地提高研究效率。而这也是倍发系统工作内容的一个重要组成部分。
按照基本面分析的逻辑，如果需要讨论企业持续创造价值的能力，实际上就是通过既有企业公开的信息，评估其未来的盈利水平。从经典金融分析的角度，这样的做法似乎是无利可图的，因为传统金融理论认为价格已经反映了所有公开信息，投资者很难通过历史信息牟利。但无论是业界实践还是学界研究，都倾向于认为挖掘基本面信息可以有效地提高未来超额收益，比如有金有险之前介绍过的QMJ因子，就很好地体现了这一点。
更进一步地，如果要预测企业未来的盈利水平，就要根据企业报表的数据，排除对盈利估计的干扰，得到一个更真实的企业盈利评估。那么具体应该怎么做呢？
二、因子设计
本文对企业未来盈利预测的方法，基于汪荣飞和张然发表于2018年的论文（参考文献见文末）。他们选取了6个既有研究中认为可以有效反映未来企业盈利情况的指标，并将指标合成为一个基本面收益预测的因子。他们所选取的指标及选取原因如下：
表1企业收益预测的基本面指标选择
根据以上分析，6个指标既反映了企业生产经营活动中的情况，也含有企业财务操纵的可能，因此可以从这两个方面同时预测企业未来的盈利情况。除此之外，表中的指标都被冠以“异常”两个字，原因在于，本文进行计算时，增加了一个企业现金流增长情况的分析。理论上来说，存货等6个指标的变化速度如果比企业现金流的变化速度快（或者慢），才可以称之为异常。因此本文使用企业季度财报数据，设计正常增长率因子如下：
接下来，就对“异常”的6个指标 进行计算。方法是根据以上6个财务数据，分别与乘以正常增长率的四个季度前的同类财务数据相减，再除以本季度的总资产来获得。以异常存货为例，其计算公式如下：
其他5个指标计算的方法类似。在表格的分析中可以发现，由于6个指标对未来盈利预测的评估作用的方向并不一致，本文在计算异常存货、异常应收账款、异常其他应收款和异常销售管理费用时在前面乘以-1，这样得到的指标与盈利预测的理论预期一致（即上述4个指标越小，未来盈利越高），而另外两个指标则正常计算。
计算得到的上述指标，可能会受到单位数量级的影响，因此本文采取文献中的方法，对6个指标全部进行标准化处理，然后加总6个标准化的值，对这个值再次进行标准化。也就得到了基本面盈利预测的合成因子，在本文中将其称为基本面盈利预测因子。此后的分析也将基于这个指标展开。
三、基本面盈利预测因子的初步回测
基于前面得到的基本面盈利预测因子，本文对2010年以来的全部A股进行了回测（由于金融类企业财务数据的差异，这里按照申万一级行业分类，剔除了所有金融类企业）。回测方法为自2010年1月第一个交易日开始，在每个月的第一个交易日进行换仓。依据因子值的大小，将所有股票均分为5组，第一组（F1）为基本面盈利预测因子值较大的企业，也就是被认为未来盈利较高的企业，第五组（F5）则为未来盈利较低的企业。每个分组中，每只股票权重一致，以避免小市值效应的影响。
△图1 基本面盈利预测因子的全A股回测情况
从回测结果来看，基本面盈利预测因子值较高的企业的确有较高的投资收益，相较于未来低盈利能力的企业，两者的多空对冲年化收益为2.17%，年信息比为0.41。从这个层面来说，基本面盈利因子具有一定的选股能力，这也与汪荣飞和张然（2018）的研究结果一致。
四、与分析师一致预测结果的比较
在金融市场中，对企业未来情况进行预测的一个重要指标，就是各个专业分析师的预测。通常来说，人们认为分析师有更全面的数据获取能力、更便捷的信息获取渠道和更专业的分析评估方法，因此他们的结果可能更有说服力。如果现实的确如此，那么似乎也没有专门构建一个基本面预测因子的必要。
但现实里分析师一致预测的情况却不太尽如人意，比如以分析师对未来一年企业利润总额的预测数据为例（与之前回测对象、方法和区间相同），可以发现，分析师认为未来企业利润总额较高的企业，投资收益的表现却是最差的。这个结果就比较尴尬。
△图2 分析师对未来一年企业利润总额一致预测因子全A股回测情况
类似地，分析师预测数据与本文构建的基本面盈利预测因子存在一定差异。如下图所示，比较高基本面盈利预测组合和低基本面盈利预测组合中分析师对未来一年EPS的预测情况，可以发现低基本面盈利预测组合的分析师预测EPS更高，这与前述分析师估计的相反，也能一定程度上印证图2所反映的信息。
△图3 高低基本面盈利预测因子组合间分析师EPS一致预测差异
进一步地，本文比较了高基本面盈利组合与几个主要的分析师盈利预测指标之间的关系，这里采用的是各个指标高因子值组合与沪深300指数高低对冲收益的相关系数，所使用的分析师盈利预测指标均为对未来一年的预测数据。
△图4 因子相关系数矩阵
注：颜色越接近深绿色意味着正相关性越大，相反越接近深红色意味着负相关性越大
从结果来看，基本面盈利预测因子与分析师预测因子的相关性并不高，而各个分析师预测数据之间的相关性倒是比较突出。结合基本面盈利预测因子的分析效果，可能表明分析师的盈利预测数据并未有效地挖掘出企业未来潜在的盈利增长能力，而基本面预测因子是对预测信息的一个良好补充。
五、基本面盈利预测因子的分行业回测
前述分析肯定了基本面预测因子在市场投资中的有效性，不过与此同时，由于各个行业之间存在显著的增长差异和盈利水平差异，基于全A股的测试可能不能完全反映这个因子对企业未来盈利水平的预测能力。因此本文基于申万一级行业分类，在剔除金融类行业的基础上，对基本面盈利预测因子进行了分行业回测。分行业回测的具体方法与之前一致，结果如下表所示：
表2 基本面盈利预测因子分行业回测情况
注：因子IC均值表示因子对未来收益的预测能力，IC均值的绝对值越大意味着预测能力越强；IC均值/IC标准差则表示预测能力的稳定性，越大意味着稳定性越好
从分行业的情况来看，基本面盈利预测因子对信息类产业的预测评估能力比较出色，比如计算机和通信行业，高基本面盈利预测因子都有更好的选股能力。而对于一些近年来表现良好的行业，比如医药生物和食品饮料行业，可以发现高基本面盈利预测因子组合的年化收益都比较出色，但是相较低基本面盈利预测因子组合并没有优势，这或许说明这类行业的投资者并不太看重企业表现和实际经营能力的脱节，更倾向于支付高的溢价来支撑企业当下的业绩。另外有趣的是钢铁行业，行业中高基本面盈利预测因子组合的年化收益为负，并且严重低于低基本面预测因子组合，或许对于这类夕阳型的产业来说，投资者根本不看重或者不看好企业未来的盈利能力改善。
总体来说，基本面盈利预测因子可以在一定程度上帮助投资者更好地挖掘企业未来的成长信息，获得更高的超额收益，并且对分析师的分析预测数据，是一个有效的补充，这些分析与王荣飞与张然（2018）的研究结果近似。此外，从成长性的角度来说，基本面盈利预测因子对新兴产业的评估作用更为明显，这也符合基本面分析方法的基本框架。
参考文献
汪荣飞，张然。 《基本面分析在中国A股市场有用吗?——来自季度财务报表的证据》， 金融学季刊, 2018(1)。
閱讀更多 有金有險 的文章
